Garsiakalbio aptikimas ir diarizavimas

Automatiškai nustatyti ir pažymėti skirtingus garsiakalbius savo garso ir vaizdo transkripcija. tiksliai žinoti, kas sakė, ką.

Veikia su viešai prieinama garso ir vaizdo medžiaga. DRM apsaugotas turinys nepalaikomas.

Atnaujinti tobulinimui
Privatus stenograma
Pokalbis su stenograma
Atrakinti su Pro →
Numeskite failą čia arba spustelėkite norėdami naršyti
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM – iki 2GB
Atnaujinti tobulinimui
Privatus stenograma
Pokalbis su stenograma
Atrakinti su Pro →
Atnaujinti tobulinimui
Įrašas: 0:00
Realusis laikas Voskas (nuolat)
Sustiprintas Visper (tikslus)
Viešosios nuorodos: 24h, tik tekstas · Užsiregistruoti skirtas 7d + audio · Pro asmeniniams ryšiams

Kalbėjimas realiu laiku su tekstu. AIS auto-korekcija, kai jūs kalbate — tikslumas pagerina ilgiau kalba.

Pirmiausia patikrinkite mikrofoną
❤️ Love STT.ai? Tell your friends!
Jūs naudojote savo nemokamus transkripciją

Užsiregistruoti nemokamai gauti 600 minučių, arba atnaujinti nuo $5 mėnesių tūkstančiams daugiau.

10 nemokamų min. per dieną 600 min be registracijos Nėra kredito kortelės Šifruojama
Užsiregistruoti nemokamai →

Kas yra garsiakalbis Diarization?

Garsiakalbio diarizacija yra garso srauto suskaidymo į segmentus procesas pagal garsiakalbio tapatybę. Paprastiau tariant, jis atsako į klausimą "kas kalbėjo, kai?" This is essential for multi-speaker recordings like meetings, interviews, podcasts, conference calls, and legal proceedings where knowing who said what is just as important as what was said.

STT.ai uses advanced neural speaker diarization models that can detect and label speakers in real time. The system creates speaker embeddings -- numerical representations of each voice's unique characteristics -- and clusters them to distinguish between different people. This works even when speakers have similar voices or frequently interrupt each other.

Kaip veikia garsiakalbio aptikimas

1. Balso aktyvumo aptikimas

Pirmoji sistema nustato, kuriuose garso segmentuose kalbama tyla, muzika ar foninis triukšmas.

2. Garsiakalbis įterptas

Kiekvienas kalbos segmentas paverčiamas į garsiakalbį įterpiančiu -- kompaktišku vektoriumi, kuris atspindi unikalias garsiakalbio vokalines savybes.

3. Klasifikavimas ir žymėjimas

Įterpimai yra grupuojami į segmentus iš to paties garsiakalbio kartu, tada kiekvienas klasteris turi etiketę (1 garsiakalbis, garsiakalbis 2 ir tt).

Naudoti garsiakalbio aptikimo atvejus

Perrašo susitikimas
Automatiškai pažymėti kiekvieną susirinkimo įrašų dalyvį. Generuokite minutes aiškiai nurodydami, kas pasakė ką.
Podcast transkripcija
Skirti šeimininką ir svečius podcast epizoduose. Sukurti užrašus su tinkamu garsiakalbio priskyrimu.
Interviu transkripcija
Atskiri interviu ir interviu atsakymai mokslinių tyrimų, žurnalistikos, ir samdos dokumentus.
Teisinė ir atitiktis
Sukurkite oficialius įrašus apie nusėdimus, klausymus, ir atitikties skambučius su aiškiu garsiakalbio atpažinimo.

Garsiakalbio aptikimas STT.ai

Speaker detection is available on all paid plans. When you transcribe audio or video with speaker detection enabled, the transcript will include speaker labels inline with the text. You can also export speaker-labeled transcripts in all supported formats including SRT, VTT, DOCX, JSON, and PDF.

Speaker 1 [00:00:01]: Welcome to the meeting, everyone. Let's start with the quarterly review. Speaker 2 [00:00:05]: Thanks. I have the numbers ready. Revenue is up 23% quarter over quarter. Speaker 1 [00:00:12]: That's great news. Can you walk us through the breakdown?

The system can detect up to 20 distinct speakers in a single recording. For best results, ensure each speaker has at least a few seconds of solo speech. Overlapping speech is handled but may reduce accuracy in heavily cross-talked segments.

Pabandykite garsiakalbio aptikimas dabar

Įkelkite kelių garsiakalbių įrašus ir pamatysite automatiškai pažymėtus garsiakalbius.

Pradėti transkripciją nemokamai

Dažnai užduodami klausimai

garsiakalbio nustatymas veikia naršyklėje: įklijuokite URL, įkelkite failą arba įrašykite iš savo mikrofono. STT.ai pasirenka AI modelį ir grąžinkite transkriptą po 5 minučių. Eksportuokite kaip TXT, SRT, VTT, DOCX, JSON ar PDF.

Taip — Kiekvienas lankytojas gauna 600 laisvų minučių nuo STT.ai pradžios, naudojamas garsiakalbio nustatymas tas pats, kaip ir bet kuris kitas darbų srautas. Mokami planai prasideda nuo $5 mėnesio atrakinti ilgiau failus, privačių transkriptų, ir prioritetinių eilėje.

garsiakalbio nustatymas veikia tais pačiais AI modeliais kaip ir kiti iš STT.ai – mūsų geriausi modeliai pasiekia 95-97% švarios kalbos tikslumą (3-5% žodžio klaidų rodiklis ant lyginamųjų indeksų). Jei pirmas leidimas yra žemiau jūsų tikslinės ribos, perjunkite musės modelius.

garsiakalbio nustatymas gali veikti bet kuriuo iš STT.ai+ modelių — STT.ai Padidintas (tiksliausias), Whisper didelis V3 (99 kalbos), NVIDIA Canary (#1 WER su palaikomaisiais langais), Whisper Turbo (greitas), Moonshine (lengvas) ir daugiau.

Taip. Kiekvienas SRT arba VTT transkriptas eksportuojamas – dirba su "YouTube", "Vimeo", "TikTok", "VLC" ir kiekvienu pagrindiniu video grotuvu. Įrankis "Buod-subtitrai" juos perskiria į video kaip "hard subsctors".

Taip. Garsiakalbio diarizacija automatiškai pažymi kiekvieną balsą (kalbėtojas 1, garsiakalbis 2,...) ir galite juos pervadinti į įmontuotą redaktorių. Veikia per visus modelius ir kalbas.

Dauguma garsiakalbio nustatymas užduočių baigsis po 5 minučių. 1 valandos garso failas paprastai užbaigia darbą per 2-3 minutes su mūsų greičiausiais modeliais. Greitis priklauso nuo pasirinkto modelio ir esamo GPU įkrovimo.

garsiakalbio nustatymas priima 20+ formatus — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI ir daugiau. Išvesti į TXT, SRT, VTT, DOCX, JSON arba PDF.

Taip. Garso failai, pateikti garsiakalbio nustatymas, tvarkomi ir ištrinami pagal numatytąjį terminą. Pro planai įdėti kliento šifravimą – net jei STT.ai duomenų bazės yra sugadintos, Jūsų transkriptai yra neįskaitomi be rakto. Duomenys niekada nenaudojami modelių mokymui be aiškios opt- in.

Taip. STT.ai siūlo REST API su Python ir Node.js SDKs, ir MCP serveris Claude ir Cursor - visi naudoti garsiakalbio nustatymas darbo srautai. Nemokama API pakopa apima 100 minučių/mėnesį.

Taip. Kiekvienas stenogramos atidarymas prasideda įmontuotame redaktoriuje, kuriame galima pataisyti žodžius, pervadinti garsiakalbius, koreguoti žymeles ir pridėti užrašų. Visi pakeitimai įrašyti automatiškai.

Kiekvienas stenograma gauna unikalų bendrinamą URL. Eksportuoti į DOCX arba PDF elektroniniu paštu. Pro planai pridėti slaptažodžiu apsaugotas ir nuolatines nuorodas — naudinga kliento darbui.

STT.ai rankenų 1 300+ platformų, įskaitant YouTube, Vimeo, TikTok, SoundCloud, Zoom, Google Meet, Podcast serverių ir daugiau. URL transkripcija veikia tik su viešai prieinamu turiniu — DRM apsaugoti šaltiniai negali būti transliuojami.